ИИ в подборе персонала: что доказано исследованиями

До 2025 года почти все утверждения об эффективности ИИ в найме опирались на кейсы компаний, то есть на сравнение «до и после» без контрольной группы. Экономисты Брайан Джабарян и Лука Хенкель провели первое крупное рандомизированное исследование. Вместе с рекрутинговой компанией PSG Global Solutions они случайным образом распределили 70 тысяч соискателей на позиции в клиентской поддержке на Филиппинах: одних интервьюировал рекрутер, других голосовой ИИ-агент. Третьей группе дали выбор.

Решение о найме во всех случаях принимали люди на основе записи интервью и результатов стандартного теста. Это важная деталь: ИИ не выбирал кандидатов, он только проводил разговор.

Результаты оказались неожиданными даже для самих рекрутеров, которые перед экспериментом прогнозировали ухудшение. Кандидаты после ИИ-интервью на 12% чаще получали оффер, на 18% чаще выходили на работу и на 17% чаще продолжали работать через 30 дней. Продуктивность нанятых не снизилась. Среди тех, кому дали выбор, 78% предпочли ИИ-интервьюера.

Объяснение авторов связано не с «умом» модели, а с последовательностью. ИИ-агент покрывал больше запланированных тем и собирал больше значимой для решения информации, при этом оставаясь отзывчивым к ответам кандидата. Рекрутеры в свободном разговоре чаще отклонялись от сценария. Это согласуется с метаанализами: структурированное интервью предсказывает результативность более чем вдвое лучше свободного.

Совсем другой результат дают исследования, где модель не проводит разговор, а ранжирует резюме. В 2024 году Кира Уилсон и Айлин Калискан из Вашингтонского университета взяли 554 реальных резюме по девяти профессиям и подставляли к ним имена, которые в США ассоциируются с белыми или чернокожими мужчинами и женщинами. Содержание резюме не менялось. Три открытые языковые модели выполнили более трёх миллионов сравнений.

Модели предпочитали резюме с «белыми» именами в 85% случаев и с женскими именами лишь в 11% случаев. Резюме с именами чернокожих мужчин модели не предпочли резюме с именами белых мужчин ни разу. Различий в квалификации не было: менялось только имя.

Причина в данных, на которых обучены модели. Тексты из интернета отражают существующее неравенство, и модель воспроизводит его как статистическую закономерность. В 2025 году та же группа показала, что люди, получающие предвзятые рекомендации модели, склонны им следовать. То есть схема «ИИ предлагает, человек решает» сама по себе не защищает от ошибки, если человек не видит, на чём основана рекомендация.

Для российского рынка набор признаков будет другим: возраст, пол, место жительства, учебное заведение, перерывы в стаже. Но механизм тот же. Модель, которой поручили «выбрать лучших» без явных критериев, начинает опираться на косвенные признаки.

На первый взгляд два исследования противоречат друг другу. На деле они описывают два разных способа применить одну технологию.

В эксперименте с интервью ИИ собирал информацию по заданному сценарию, а оценку и решение оставлял человеку. Он не знал, кого «надо» выбрать, и одинаково подробно расспрашивал каждого. В исследовании предвзятости модель сама выносила суждение о кандидате по неструктурированному тексту без критериев.

В России отдельного закона об ИИ в найме нет, но действует статья 16 закона «О персональных данных». Она запрещает принимать решения, порождающие юридические последствия для человека, на основании исключительно автоматизированной обработки его данных. Исключение возможно при письменном согласии человека, причём ему должны разъяснить порядок принятия решения и возможность возразить.

Отказ в приёме на работу относится к таким решениям. На практике это означает, что автоматический отсев без участия человека создаёт для работодателя правовой риск, а схема, где ИИ готовит материалы, а решение принимает рекрутер, ему соответствует.

Европейский регламент об искусственном интеллекте относит системы для отбора и оценки кандидатов к системам высокого риска и требует для них управления рисками, прозрачности и человеческого надзора. Для российских компаний он не обязателен, но показывает направление, в котором движется регулирование.

Картина была бы неполной без второй стороны. По опросу Deloitte 2026 года, в котором участвовали более 22,5 тысячи человек из 44 стран, 74% представителей поколения Z и столько же миллениалов используют ИИ в повседневной работе. Соискатели применяют нейросети для резюме и сопроводительных писем: по данным Яндекс Вордстата, запросы со словами «резюме нейросеть» вводят более двух тысяч раз в месяц.

Последствие для работодателя: тексты откликов становятся одинаково гладкими и перестают различать кандидатов. Отбор по резюме и письму теряет информативность, и вес смещается к тому, что сложнее сгенерировать: живому разговору по конкретным ситуациям, проверке знаний, рабочей пробе.

Это ещё один аргумент в пользу структурированного первичного интервью. Когда на вакансию приходит сотня одинаково хороших резюме, короткий разговор по единому сценарию даёт больше информации, чем ещё один фильтр по ключевым словам.

Из исследований следует не вывод «использовать» или «не использовать», а набор условий. Они проверяемы, и по ним можно оценивать любой инструмент.

Первое условие: критерии заданы человеком до начала отбора и связаны с задачами позиции. Второе: модель собирает и структурирует информацию, а решение принимает человек, который видит исходные ответы, а не только итоговый балл. Третье: все кандидаты проходят одинаковую процедуру. Четвёртое: признаки, не связанные с работой, исключены из оценки. Пятое: кандидат заранее знает, что с ним разговаривает ИИ, и может получить объяснение результата.

И последнее: результат нужно измерять. Если через полгода нанятые через новый процесс работают не лучше и уходят не реже, значит, инструмент ускорил процесс, но не улучшил его.